論文の概要: QMoE: A Quantum Mixture of Experts Framework for Scalable Quantum Neural Networks

• arxiv url: http://arxiv.org/abs/2507.05190v1
• Date: Mon, 07 Jul 2025 16:49:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.522925
• Title: QMoE: A Quantum Mixture of Experts Framework for Scalable Quantum Neural Networks
• Title（参考訳）: QMoE: スケーラブルな量子ニューラルネットワークのためのエキスパートフレームワーク
• Authors: Hoang-Quan Nguyen, Xuan-Bac Nguyen, Sankalp Pandey, Samee U. Khan, Ilya Safro, Khoa Luu,
• Abstract要約: 量子機械学習(QML)は、ノイズの多い中間スケール量子(NISQ)時代に有望な方向として登場した。 本稿では、エキスパート(MoE)パラダイムの混合をQML設定に統合する新しい量子アーキテクチャである、エキスパート(QMoE)の量子混合を提案する。 私たちの研究は、スケーラブルで解釈可能な量子学習フレームワークの道を開いたものです。
• 参考スコア（独自算出の注目度）: 8.523710589195268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantum machine learning (QML) has emerged as a promising direction in the noisy intermediate-scale quantum (NISQ) era, offering computational and memory advantages by harnessing superposition and entanglement. However, QML models often face challenges in scalability and expressiveness due to hardware constraints. In this paper, we propose quantum mixture of experts (QMoE), a novel quantum architecture that integrates the mixture of experts (MoE) paradigm into the QML setting. QMoE comprises multiple parameterized quantum circuits serving as expert models, along with a learnable quantum routing mechanism that selects and aggregates specialized quantum experts per input. The empirical results from the proposed QMoE on quantum classification tasks demonstrate that it consistently outperforms standard quantum neural networks, highlighting its effectiveness in learning complex data patterns. Our work paves the way for scalable and interpretable quantum learning frameworks.
• Abstract（参考訳）: 量子機械学習(QML)は、重畳と絡み合いを利用して計算とメモリの利点を提供する、ノイズの多い中間スケール量子(NISQ)時代の有望な方向として登場した。 しかし、QMLモデルはハードウェアの制約によりスケーラビリティと表現性に悩まされることが多い。 本稿では、エキスパートの量子混合(QMoE)を提案する。これは、専門家のパラダイムの混合をQML設定に統合する新しい量子アーキテクチャである。 QMoEは、エキスパートモデルとして機能する複数のパラメータ化量子回路と、入力ごとに特別な量子エキスパートを選択して集約する学習可能な量子ルーティング機構から構成される。 量子分類タスクに関するQMoEの提案による実証結果は、標準量子ニューラルネットワークよりも一貫して優れており、複雑なデータパターンを学習する上での有効性を強調している。 私たちの研究は、スケーラブルで解釈可能な量子学習フレームワークの道を開いたものです。

関連論文リスト

• Iterative Quantum Feature Maps [0.0]
  量子回路を量子特徴写像(QFM)として活用する量子機械学習モデルは、学習タスクにおける表現力の向上によって認識される。 実際の量子ハードウェアに深いQFMをデプロイすることは、回路ノイズとハードウェアの制約のため、依然として難しい。 提案するIterative Quantum Feature Map (IQFMs)は,浅部QFMを古典的に計算された拡張重みで反復的に接続することにより,深いアーキテクチャを構築するハイブリッド量子古典的フレームワークである。
  論文  参考訳（メタデータ） (2025-06-24T09:40:10Z)
• VQC-MLPNet: An Unconventional Hybrid Quantum-Classical Architecture for Scalable and Robust Quantum Machine Learning [60.996803677584424]
  変分量子回路(VQC)は、量子機械学習のための新しい経路を提供する。 それらの実用的応用は、制約付き線形表現性、最適化課題、量子ハードウェアノイズに対する鋭敏感といった固有の制限によって妨げられている。 この研究は、これらの障害を克服するために設計されたスケーラブルで堅牢なハイブリッド量子古典アーキテクチャであるVQC-MLPNetを導入している。
  論文  参考訳（メタデータ） (2025-06-12T01:38:15Z)
• Differentiable Quantum Architecture Search in Quantum-Enhanced Neural Network Parameter Generation [4.358861563008207]
  量子ニューラルネットワーク(QNN)は、経験的にも理論的にも有望であることを示している。 ハードウェアの欠陥と量子デバイスへの限られたアクセスは、実用的な課題となる。 微分可能最適化を用いた自動解法を提案する。
  論文  参考訳（メタデータ） (2025-05-13T19:01:08Z)
• Quantum Machine Learning: An Interplay Between Quantum Computing and Machine Learning [54.80832749095356]
  量子機械学習(QML)は、量子コンピューティングの原理と従来の機械学習を組み合わせた急速に成長する分野である。 本稿では,変分量子回路を用いてQMLアーキテクチャを開発する機械学習パラダイムの量子コンピューティングについて述べる。
  論文  参考訳（メタデータ） (2024-11-14T12:27:50Z)
• Challenges and Opportunities in Quantum Machine Learning [2.5671549335906367]
  量子機械学習(QML)は、特に量子データに対して、データ分析を加速する可能性がある。 ここでは、QMLの現在の方法と応用について概観する。 量子ニューラルネットワークと量子ディープラーニングに焦点をあてて、量子と古典的な機械学習の違いを強調します。
  論文  参考訳（メタデータ） (2023-03-16T17:10:39Z)
• Recent Advances for Quantum Neural Networks in Generative Learning [98.88205308106778]
  量子生成学習モデル(QGLM)は、古典的な学習モデルを上回る可能性がある。 機械学習の観点からQGLMの現状を概観する。 従来の機械学習タスクと量子物理学の両方におけるQGLMの潜在的な応用について論じる。
  論文  参考訳（メタデータ） (2022-06-07T07:32:57Z)
• Theory of Quantum Generative Learning Models with Maximum Mean Discrepancy [67.02951777522547]
  量子回路ボルンマシン(QCBM)と量子生成逆ネットワーク(QGAN)の学習可能性について検討する。 まず、QCBMの一般化能力を解析し、量子デバイスがターゲット分布に直接アクセスできる際の優位性を同定する。 次に、QGANの一般化誤差境界が、採用されるAnsatz、クォーディットの数、入力状態に依存することを示す。
  論文  参考訳（メタデータ） (2022-05-10T08:05:59Z)
• Variational Quantum-Neural Hybrid Error Mitigation [6.555128824546528]
  量子エラー軽減(QEM)は、量子コンピュータ上で信頼性の高い結果を得るために重要である。 量子-ニューラルハイブリッド固有解法 (VQNHE) アルゴリズムは, 本質的にはノイズ耐性であり, ユニークなQEM容量を持つことを示す。
  論文  参考訳（メタデータ） (2021-12-20T08:07:58Z)
• Quantum Federated Learning with Quantum Data [87.49715898878858]
  量子機械学習(QML)は、量子コンピューティングの発展に頼って、大規模な複雑な機械学習問題を探求する、有望な分野として登場した。 本稿では、量子データ上で動作し、量子回路パラメータの学習を分散的に共有できる初めての完全量子連合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-05-30T12:19:27Z)
• Quantum circuit architecture search for variational quantum algorithms [88.71725630554758]
  本稿では、QAS(Quantum Architecture Search)と呼ばれるリソースと実行時の効率的なスキームを提案する。 QASは、よりノイズの多い量子ゲートを追加することで得られる利点と副作用のバランスをとるために、自動的にほぼ最適アンサッツを求める。 数値シミュレータと実量子ハードウェアの両方に、IBMクラウドを介してQASを実装し、データ分類と量子化学タスクを実現する。
  論文  参考訳（メタデータ） (2020-10-20T12:06:27Z)
• TensorFlow Quantum: A Software Framework for Quantum Machine Learning [36.75544801185366]
  本稿では,古典的あるいは量子的データに対するハイブリッド量子古典モデルの高速プロトタイピングのためのオープンソースライブラリであるQuantum (TFQ)を紹介する。 本稿では,メタラーニング,階層学習,ハミルトン学習,サーマル状態のサンプリング,変分量子固有解法,量子位相遷移の分類,生成的敵ネットワーク,強化学習など,高度な量子学習タスクにTFQを適用する方法を紹介する。
  論文  参考訳（メタデータ） (2020-03-06T01:31:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。